좋아, 그래서 이것은 텐서 플로우에 처음부터 구축 생성 적대적 네트워크 모델이었다. 전체 코드를 얻으려면 아래 배너를 클릭하십시오. [학습된 유사성 메트릭을 사용하여 픽셀 을 넘어 자동 엔코딩] 【 종이 】 [코드] [텐서플로우 코드] GAN 설정에는 다양한 유형이 있습니다. 예를 들어 학습된 분포에서 무조건 샘플링하도록 생성기를 학습하거나 클래스 레이블과 같은 추가 정보를 조건지정할 수 있습니다. TF-GAN은 많은 설정과 호환되며, 잘 테스트된 예제 디렉토리 [텐서플로우의 경계 평형 생성 적대적 네트워크 구현] [Paper][Code] 판별기를 학습할 때 생성기 값을 유지합니다. 상수; 발전기를 훈련할 때 판별자 상수를 유지합니다. 각자는 정적 적에 맞서 훈련해야 합니다. 예를 들어, 이렇게 하면 생성기가 학습해야 하는 그라데이션을 더 잘 읽을 수 있습니다. 인공 지능(AI) 분야를 새롭게 접하는 사람들을 위해 기계 학습(ML)을 데이터를 사용하여 기계/프로그램을 통해 새 작업을 수행하는 방법을 “가르치는” AI의 하위 필드로 간단히 설명할 수 있습니다. 이 것의 간단한 예는 알고리즘에 대한 입력으로 사람의 얼굴의 이미지를 사용하는 것입니다, 그래서 프로그램은 주어진 그림에서 같은 사람을 인식하는 법을 배워야 (그것은 아마 너무 부정적인 샘플이 필요합니다). 이를 위해 기계 학습을 적용된 수학 최적화로 설명할 수 있는데, 여기서 알고리즘은 다차원 공간에서 데이터(예: 그림)를 나타낼 수 있습니다(카르테시안 평면을 기억합니까? 즉, 2 차원 필드입니다), 다음 대상 분포 여부에 속하는 새로운 다차원 벡터 샘플을 구별하는 방법을 배웁니다. 기계가 배우는 방법에 대한 시각적 이해를 위해 나는이 광범위한 비디오 설명과 기계의 상승에이 다른 비디오를 추천, 나는 보고 매우 재미 있었다. 이것은 탐구하고 토론하는 매우 매혹적인 분야이지만, 나는 나중에 게시물에 대한 자세한 설명을 남겨 둘 것입니다, 우리는 간을 위해 여기에 있어! 이 자습서에서 GAN을 작성하고 학습하는 데 필요한 전체 코드를 보여 주어 있습니다.

다음 단계로 Kaggle에서 사용할 수 있는 대규모 명사 얼굴 속성(CelebA) 데이터 집합과 같은 다른 데이터 집합을 실험해 볼 수 있습니다. 간(GAN)에 대해 자세히 알아보려면 NIPS 2016 자습서: 생성 적대 네트워크(생성 적대 네트워크)를 권장합니다. [결합된 생성 적대네트워크] 【 종이 】 [카페 코드] [텐서플로우 코드](NIPS) 서로 상호 작용하는 두 개의 네트워크가 있는 경우 각 네트워크 범위의 변수를 고려해야 합니다. 따라서 함수를 정의하는 동안 tf.variable_scope가 설정되었습니다. 이 예제에서는 Adam 최적화 를 사용할 예정입니다. batch_size 와 epoch 수를 설정합니다. 시대를 늘리면 더 나은 결과를 얻으려면 GPU에 액세스 할 수있는 것이 좋습니다. 예를 들어 전자 메일(데이터 인스턴스)의 모든 단어가 주어지면 차별적 알고리즘은 메시지가 스팸인지 아닌지 예측할 수 있습니다. 스팸은 레이블 중 하나이며 전자 메일에서 수집 된 단어 가방은 입력 데이터를 구성하는 기능입니다.

Scroll Up